Mapeamento digital de solos por redes neurais artificiais com base na relação solo-paisagem Translated title: Digital soil mapping by artificial neural networks based on soil-landscape relationships

Abstract

Técnicas de mapeamento digital podem contribuir para agilizar a realização de levantamentos pedológicos detalhados. Objetivou-se com este trabalho obter um mapa digital de solos (MDS) com uso de redes neurais artificiais (RNA), utilizando correlações entre unidades de mapeamento (UM) e covariáveis ambientais. A área utilizada compreendeu aproximadamente 12.000 ha localizados no município de Barra Bonita, SP. A partir do resultado de uma análise de agrupamento das covariáveis ambientais, foram escolhidas cinco áreas de referência para realizar o mapeamento convencional. As UM identificadas subsidiaram a aplicação da técnica de RNA. Utilizaram-se o simulador de redes neurais JavaNNS e o algoritmo de aprendizado backpropagation. Pontos de referência foram coletados para avaliar o desempenho do mapa digital produzido. A posição na paisagem e o material de origem subjacente foram determinantes para o reconhecimento dos delineamentos das UM. Houve boa concordância entre as UM delineadas pelo MDS e pelo método convencional. A comparação entre os pontos de referência e o mapa de solos digital evidenciou exatidão de 72 %. O uso da abordagem MDS utilizada pode contribuir para diminuir a falta de informações semidetalhadas de solos em locais ainda não mapeados, tomando-se como base informações pedológicas obtidas de áreas de referência adjacentes.

Translated abstract

Digital mapping techniques can help reduce the lack of soil information in areas where no 1st and 2nd order soil surveys were performed. The aim of this study was to obtain a digital soil map (DSM) by artificial neural networks (ANN) using the correlation between soil mapping units and environmental covariates. The study area of approximately 11,000 ha is located in Barra Bonita, SP, Brazil. Based on a cluster analysis of environmental covariates, five reference areas were chosen for conventional mapping. The selected soil mapping units supported the application of ANN. We used the neural network simulator JavaNNS and the backpropagation learning algorithm. Reference points were collected to evaluate the efficiency of the resulting digital map. The position in the landscape and the underlying parent material were fundamental to the recognition of the designs of the mapping units. There was good agreement between the mapping units delineated by DSM and the conventional method. The comparison between the reference points and the digital soil map showed an accuracy of 72 %. The use of the DSM approach can help reduce the lack of soil information in unmapped places, based on soil information obtained from adjacent reference areas.